PyTorch transforms.Normalize()未按文档描述执行的原因探究

你遇到的问题核心是代码中的变量名错误：你定义了全局均值变量m = a.mean()，但调用transforms.Normalize时却传入了未定义的mean变量——这要么会触发Python报错，要么是你之前误将mean定义为了非5.0的数值，最终导致归一化结果不符合预期。

验证正确逻辑的代码示例 #

将代码中的transforms.Normalize(mean, std)改为transforms.Normalize(m, std)后，结果会和手动计算完全一致：

import torch
from torchvision import transforms

T = torch
a = T.Tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]]])
m = a.mean()
std_val = a.std()
print((m, std_val))
# 修正变量名，使用m作为mean参数
norm_tensor = transforms.Normalize(m, std_val)(T.unsqueeze(a, 0))
print(norm_tensor)
print(norm_tensor.mean())
print(norm_tensor.std())
# 手动计算对比
manual_tensor = (a - m)/std_val
print((manual_tensor.mean(), manual_tensor.std()))

运行输出：

(tensor(5.), tensor(2.7386))
tensor([[[[-1.4606, -1.0954, -0.7303],
          [-0.3651,  0.0000,  0.3651],
          [ 0.7303,  1.0954,  1.4606]]]])
tensor(-2.9802e-08)  # 浮点精度误差，实际接近0
tensor(1.0000)
(tensor(-2.9802e-08), tensor(1.0000))

补充说明 #

transforms.Normalize的公式确实是(tensor - mean)/std，使用时需注意：

• 参数mean和std必须与输入张量的通道数匹配：单通道传入标量即可，多通道需传入对应长度的列表/张量（比如RGB图像要传入3个均值和3个标准差）。
• 浮点运算存在精度误差，归一化后的均值会接近0而非严格等于0，属于正常现象。

内容的提问来源于stack exchange，提问作者JustAnEuropean